基于CBAM-CNN 的電力系統暫態電壓穩定評估

李 欣，柳圣池，李新宇，陳德秋，魯 玲，郭攀鋒

（1.三峽大學電氣與新能源學院，宜昌 443000；2.智慧能源技術湖北省工程研究中心（三峽大學），宜昌 443000；3.中國長江三峽集團有限公司，宜昌 443631；4.國網湖北省電力有限公司咸寧供電公司，咸寧 437100）

電力系統的暫態電壓穩定SVS（short-term volage stability）是指系統電壓在受到重大擾動后，在不發生電壓崩潰的情況下保持或恢復到允許范圍的能力[1]。隨著電力消費的快速增長、可再生能源的大規模整合，以及動態負載的不斷滲透，暫態電壓不穩定已經成為電力系統的突出問題[2-3]。因此，正確評估電壓穩定性、及時采取措施并防止停電事故的發生至關重要。

目前，用來進行SVS評估的方法主要有時域仿真法和軌跡靈敏度分析法等。時域仿真法的結構簡單，但仿真所需要的時間長，且對電力系統模型和參數的準確性要求較高。軌跡靈敏度分析法可以實現電力系統的實時評估，但無法處理電力系統內部高度復雜的非線性關系。隨著廣域測量系統WAMS（wide area measurement system）和相量測量單元PMU（phasor measurement unit）[4]的普及，數據驅動方法為SVS評估提供了新的思路。

基于數據驅動的SVS 性評估模型，可以直接利用PMU 收集到的實時數據對當前系統穩定性狀態給出準確評估結果。近年來，許多現有的機器學習ML（machine learning）方法，例如，人工神經網絡ANN（artificial neural network）[5]、決策樹DT（decision tree）[6-7]、和隨機森林RF（random forest）[8]等已被用于基于數據驅動的SVS研究，并取得了較好的評估結果。隨著ML 技術的快速發展，一些深度學習DL（deep learning）[9-10]模型在模式識別領域取得了優于上述相關技術的性能，卷積神經網絡CNN（convolutional neural network）作為DL 領域最具代表性的模型之一，憑借其從原始數據中獲取重要特征的強大能力，在SVS評估中得到了廣泛的應用。

文獻[11]提出一種基于隨機權重神經網絡的智能系統，將SVS 評估問題劃分為瞬態電壓崩潰的分類子問題和不可接受的動態電壓偏差的預測子問題。由于文獻[11]所提方法是由數據驅動，輸入數據的質量會影響其準確性，且沒有考慮數據丟失、數據不確定及壞數據對模型性能的影響，面對日益復雜、多變的電網結構，模型的魯棒性和泛化性有待進一步研究。文獻[12-13]均使用卷積神經網絡CNN（convolutional neural network）來建立SVS 評估模型，通過卷積操作實現對局部特征的提取和學習，但電力系統的暫態電壓問題往往涉及到全局性的系統行為和相互作用，單純的CNN 算法可能無法很好地捕捉到電力系統各個部分之間的復雜關系。文獻[14-15]對傳統的CNN模型進行了改進，引入殘差網絡ResNet（residual network）增強模型的可解釋性，但沒有考慮系統拓撲結構發生改變的情況下模型的適應性問題，缺少在線更新的過程；文獻[16]設計一種具有殘差結構的新型多圖注意力網絡來捕獲其穩定性特征，結合注意力機制與遷移學習的優點，應用改進的圖注意力機制，增強其對電力系統拓撲變化的適應性，但該方法用于功角穩定的研究，并未涉及電壓問題。綜上所述，目前電力系統SVS評估研究中還存在著模型提取特征能力差、系統拓撲結構發生改變時的適應性差，以及暫態安全評估指標復雜且不明確等問題。

為解決上述問題，本文將DL 與注意力機制相結合，將卷積塊注意力模塊CBAM（convolutional block attention module）[17]插入傳統CNN 中，該模塊將PMU 的數據沿著通道和空間兩個獨立的維度依次提取重要特征，自動調整輸入數據中內容信息和位置信息的權重。在保證較小時間損耗的同時，進一步提升CNN 對系統暫態電壓狀態的識別能力。同時，所提方法還與遷移學習相結合，加快了模型的更新速度，提高了模型在系統拓撲結構發生變化時的適應性。

1 基于注意力機制的CNN 模型

1.1 模型的整體框架

SVS 評估問題本質是一個二分類問題，針對該分類問題開發基于CNN 的模型，旨在將DL 應用于SVS評估，所開發的模型的思路是利用系統故障后的實時數據與SVS評估建立映射關系，實現提前評估系統的穩定狀態，從而為應急控制行動提供依據。由于SVS 與母線電壓幅值和負荷變化息息相關，因此選用故障后的母線電壓、負荷的有功功率和無功功率信息作為輸入變量。這些數據本身就是時間序列數據，可以用CNN的卷積操作提取這些數據的時間特征。插入卷積塊注意力的卷積神經網絡CBAM-CNN（convolutional block attention module-convolutional neural network）模型引入了通道注意力機制和空間注意力機制，能夠自適應地關注輸入特征圖中的重要通道和空間位置，進而將系統網絡拓撲信息集中到學習模型中以利用空間信息。通過這種方式，所提模型模擬了具有完整卷積結構的SVS的時空特征。具體來說，輸入數據和樣本標簽首先被排列成適合CNN 處理的類似于圖像的矩陣樣式，即

式中：Xn為輸入模型的特征向量；Yn為每個樣本對應的標簽；n為樣本總數；Uij為第i時刻第j條母線的電壓值，i的值由觀測窗口大小決定；PiB、QiB分別為負荷的有功功率和無功功率；B為系統中負荷數；yj為第j條母線對應的穩定狀態。

CBAM模塊被插入到CNN中，自動調整輸入數據中內容信息和位置信息的權重，從而增強模型的分類效果。在模型的在線更新階段，CBAM 提取的重要特征被用作新數據的篩選條件。在此基礎上，結合微調技術，實現模型的快速更新，其具體結構如圖1 所示。圖1 中，softmax 為分類函數；ReLU 為激活函數；FC為全連接層；BN為歸一化操作。

圖1 暫態電壓穩定評估模型Fig.1 Short-term voltage stability assessment model

1.2 用于SVS 評估的CNN 結構

為了確定模型的詳細結構并應用于后續問題，首先設計了具有較大網絡容量的模型，訓練模型直到過擬合，再通過減少神經元的數量或添加dropout操作來減輕過擬合的影響[18]。使用的模型參數如表1所示。

表1 CNN 模型的具體參數Tab.1 Specific parameters of CNN model

為提高模型的收斂速度，防止發生梯度消失的情況，選擇ReLU作為激活函數，其表達式為

式中，x為激活層的輸入ReLU函數，用來提取權重最大的特征。

1.3 CBAM-CNN 的原理

CBAM-CNN通過CBAM來增強模型的全局感知能力。注意力機制可以自適應地調整各個特征圖的權重，使模型能夠更加關注電力系統中具有重要影響的區域或特征。在電力系統中，不同部分之間存在復雜的相互作用關系，例如發電機、變壓器、輸電線路等。CBAM-CNN 通過注意力機制能夠捕捉到這些重要的全局信息，從而更準確地評估SVS。

注意力計算的整體過程可以總結為

式中：?為逐元素乘法；F為中間特征圖；F′為經過通道子模塊后的輸出；F″為最終的細化輸出；Mc(F)為通道注意力；Ms(F′)為空間注意力。

CBAM-CNN 的整體工作原理如圖2所示，輸入的數據先經過常規卷積操作得到一個中間特征圖F∈RC×H×W。其中，C、H、W分別為特征圖的通道數、深度和寬度，R 為實數集。CBAM 對中間特征圖進行處理，進而得到通道注意力圖Mc∈RC×1×1和空間注意力圖Ms∈R1×H×W。CBAM 的引入可以使模型充分學習通道軸和空間軸上的信息，從而有效地幫助信息在網絡中的流動。

圖2 CBAM-CNN 的整體結構Fig.2 Overall structure of CBAM-CNN

1.3.1 通道注意力模塊

通道注意力子模塊提取的是輸入數據的內容信息特征，利用特征之間的通道關系生成通道注意力圖，并將其傳遞到空間注意力子模塊，特征圖的每個通道都是一個特征檢測器。為解決通道注意力難以計算的問題，采用對輸入特征圖的空間維度進行壓縮的方法，通道注意力子模塊的工作原理如圖3所示。

圖3 通道注意力模塊Fig.3 Channel attention module

首先，為了對特征圖的空間信息進行匯總，本文將經過常規卷積操作提取的特征分別傳入到平均池化層和最大池化層中，生成代表平均池化特征的空間環境描述符和代表最大池化特征的空間描述符。由于平均池化操作可以提取特征圖中所有特征信息，而最大池化操作則保留權重最大的特征，所以采用將兩種操作相結合的方法來提高模型提取重要特征的能力。然后，這兩個描述符通過共享的多層感知機網絡進行處理。最后，在共享網絡應用于每個描述符后，使用逐元素求和法將輸出特征向量進行合并，計算得到通道注意力，生成通道注意力圖Mc∈RC×1×1。

綜上所述，通道注意力的計算方法可表示為

式中：σ為sigmoid 函數；MLP 為多層感知機；AvgPool(F)與MaxPool(F)分別為對中間特征圖F進行平均池化操作和最大池化操作；W0∈RC/r×C、W1∈RC×C/r為多層感知機網絡的權重系數，用來處理描述符并生成通道注意力圖的過程。需要注意的是，該權重系數在輸入中是共享的，并且在W0后使用了ReLU激活函數。

1.3.2 空間注意力模塊

與通道注意力不同，空間注意力子模塊提取的是輸入數據的位置信息特征，利用空間內部關系生成空間注意力圖，這與通道注意力互相補充。為了解決空間注意力難以計算和難以生成有效的空間特征圖的問題，采用將通道細化的特征沿通道軸依次經過最大池化層和平均池化層的方法。空間注意力子模塊的工作原理如圖4所示。

圖4 空間注意力模塊Fig.4 Space attention module

首先，對通道細化特征F′進行兩個池化操作，對特征圖進行通道信息的聚合，進而生成兩個二維空間特征圖∈R1×H×W和∈R1×H×W。然后，將這兩個特征圖進行拼接并通過一個標準的卷積層進行卷積操作。最后，生成空間注意力圖Ms(F)∈RH×W。

綜上所述，空間注意力的計算方法可表示為

式中：f7×7為卷積操作中過濾器的大小為7 × 7；為經過通道方向的平均池化操作得到的特征圖；為經過通道方向的最大池化操作得到的特征圖；[]表示連接操作。

1.3.3 注意力模塊的順序

對于輸入的電力系統信息，通道和空間這2 個注意力模塊計算互補注意力，分別關注輸入數據的內容信息和位置信息。2個子模塊的排列方式也會對模型的性能產生影響，可以并列或順序排列。在模型調試過程中，發現順序排列比并列排列能給出更好的效果，因此本文采用2個子模塊順序排列的方式。

2 SVS 評估的具體流程

2.1 方案流程

CBAM-CNN 算法具有實時性和高效性的優勢。一旦CBAM-CNN模型訓練完成，它可以在實時或快速評估的場景中進行預測。所提方案的具體實施過程主要包括3個步驟，離線訓練、實際應用、在線更新。其方案流程如圖5所示。

圖5 方案流程Fig.5 Flow chart of the proposed scheme

2.1.1 離線訓練

首先，在考慮負荷、電動機占比、故障和發電機出力等因素下，建立廣義的初始數據庫；然后，將時域模擬得到的樣本與歷史運行數據混合，形成初始數據集D0；最后，離線訓練模型以構建映射和特征提取器。

2.1.2 實際應用

最終的評估模型可以根據PMU 接收的實時測量數據快速生成穩定性評估結果。評估結果若為失穩（功角失穩和電壓失穩），運行人員立即啟動相應的控制措施，防止出現大規模停電事故；如果出現D0中未考慮到的場景，則通過仿真軟件獲得相應新網絡架構的新數據集Dnew，并在原始模型上進行測試；如果Dnew的測試精度PDnew未能達到設定的閾值Aset，則應及時更新模型，直到測試精度大于閾值時，停止學習。

2.1.3 在線更新

微調技術與CBAM 被用來實現在線更細新功能。一個新的含有不同的負載水平和某些突發事件的數據集Di被用來更新模型。對Di的數據進行篩選，選取CBAM 提取的重要特征對應的數據，用這些數據進行訓練，可以更快地更新模型。如果Di的測試精度PDi在設置的最大迭代次數內沒有達到閾值，則需繼續進行仿真訓練。這就意味著需要進行更多基于Dnew的時域模擬，以構建更準確映射關系的完整數據集。在案例研究中，Aset= 97%、最大迭代次數為200。

2.2 SVS 判據

根據文獻[19-21]，本文采用的SVS判據為

式中：ASVSI為SVS系數SVSI（short-term voltage stability index）；Umin為故障后母線電壓的最小值；Us為不發生電壓崩潰的電壓最小值，取0.8 p.u.；Ud為故障清除后母線電壓在任意同一個周期內最大值與最小值的差值；Tu為實際電壓值小于Us的時間；Ts為實際工程中允許電壓低于Us的最大時長，取10 s。式（7）中2 個不穩定判據分別針對電壓崩潰和電壓振蕩2 種情況，當USVSI值為1 時表示系統電壓穩定，貼標簽為1；反之則不穩定，貼標簽為0 且認為系統中任意一條母線失穩則系統發生失穩。

2.3 模型性能的評價指標

采用混淆矩陣構建4個指標來全面衡量SVS模型的評估效果。混淆矩陣如表2所示。

表2 混淆矩陣Tab.2 Confusion matrix

表2 中，TP 為穩定樣本預測為穩定的樣本個數；FN 為穩定樣本預測為失穩的樣本個數；FP 為失穩樣本預測為穩定的樣本個數；TN 為失穩樣本預測為失穩的樣本個數。

4個評估指標表達式分別為

式中：Acc 為整體樣本預測的準確率；TNR 為預測正確失穩樣本占所有整體失穩樣本的比例；TPR 為預測正確的穩定樣本占所有穩定樣本的比例；FPR為預測錯誤的失穩樣本占所有失穩樣本的比例。

3 算例分析

本文所提方案在IEEE 39和IEEE 300節點系統中進行測試。樣本集均由軟件PSS/E的瞬態穩定性仿真模塊批量生成。算例研究的硬件平臺為CPU Intel（R）Core（TM）i7-10750H CPU@2.60GHz 2.59 GHz，RAM 64 GB，GPU Nvidia Geforce RTX 2060，CBAM-CNN的框架是在Tensorflow中實現。

3.1 樣本生成

IEEE 39 節點系統由10 臺發電機組、39 條母線、12 臺雙繞組變壓器、19 個負荷組成，其單線圖如圖6 所示。仿真時間為20 s，間隔采樣時間為0.01 s。通過設置不同的潮流水平、不同的故障位置、不同的故障清除時間、不同的感應電機變比，最終生成9 450 個樣本。這部分數據為原始數據集D0，其中，穩定樣本為6 432個，不穩定樣本數量為3 018個，具體設置見表3。將觀測窗口內窗口長度為2 s 的數據排列成類似圖片的形式，每一個樣本的輸入數據維度為U∈R200×39，P∈R200×19，Q∈R200×19，輸出結果為0或1。

表3 IEEE39 節點系統樣本生成方案Tab.3 Sample generation scheme for IEEE 39-bus system

圖6 IEEE 39 節點系統接線Fig.6 Wiring of IEEE 39-bus system

3.2 模型訓練與測試結果

樣本被隨機分為訓練集占80%和測試集占20%。母線電壓等數據在輸入模型前要經過最大最小歸一化處理，以消除不同特征之前的幅度和數量級的差異，重復多次測試取測試結果的平均值作為最終結果，以消除偶然性帶來的影響。圖7給出了不同迭代次數下模型的準確率和損失函數值曲線。由圖7可以看出，損失函數呈下降趨勢，準確率不斷上升，且未出現過擬合的現象。測試集的最高精度為98.15%，損失函數的最低值為0.138 4。

圖7 準確率與損失函數曲線Fig.7 Accuracy and loss function curves

為進一步體現CBAM 的優越性，采用傳統CNN、DT、ANN、RF作為對比算法。其中，CNN采用CBAM-CNN 模型中CNN 的參數和結構。ANN、DT和RF 的參數和實現過程參考了文獻[7-10]中的相關設置。采用測試集樣本作為訓練數據，不同模型的性能對比結果如表4所示。

表4 不同模型性能對比Tab.4 Comparison of performance among different models%

由表4可知，CBAM-CNN模型相較與其他方法擁有更好的模式識別能力，總體準確率達到98.15%，對于不穩定樣本的預測準確率為98.67%；傳統CNN的測試精度平均為96.61%，低于CBAM-CNN 的98.15%，因此可以證明CBAM的引入有助于提高CNN模型的分類能力；ANN 結構簡單，處理大型數據的能力較差，容易出現過擬合的問題，對SVS 狀態的識別能力較差；DT 與RF 均屬于淺層機器學習模型，訓練所用時間少，但在處理高維數據和模式識別的能力上其性能遠不如CNN。由此可見，CBAMCNN模型具有良好的特征提取能力，能以更高的精度對系統暫態電壓的穩定情況進行判斷。

3.3 樣本量對模型性能的影響

訓練樣本的數量會影響模型的準確性和訓練時間，采用改變訓練集樣本比例的方法（測試集樣本沒有變化）來研究訓練樣本數量對模型性能的影響。訓練集的比例被設定為20%、40%、60%、80%和100%。模型的其他參數保持不變，其最終結果如圖8所示。

圖8 不同比例訓練集的模型性能Fig.8 Model performance at different proportions of training set

由圖8可以看出，當訓練樣本的數量為原始訓練集的80%時，準確率已經到達了97.01%（Acc＞97%），達到了模型對電壓穩定評估預測精度的要求，但耗時要比訓練集比例為100%時低很多。如果訓練樣本的數量減少，模型的預測精度就會下降。

3.4 耗時對比

比較CBAM-CNN 與傳統CNN 模型在訓練及在線應用階段的時間消耗，以驗證本文所提模型的時效性，其結果如圖9所示。

圖9 耗時對比結果Fig.9 Result of comparison of time consumption

由圖9可以看出，常規CNN模型訓練迭代50次需要826.74 s，CBAM-CNN 模型用時983.12 s，時間增加了18.9%；在線應用階段，常規CNN 模型用時0.126 4 s，CBAM-CNN模型用時0.137 6 s，與CNN相比只增加了0.011 2 s（在線應用階段耗時為測試所有測試集樣本所消耗的時間）。由于模型的訓練過程是離線進行的，所以這個階段花費時間較長。然而，在在線應用階段，需要在較短的時間內確定系統SVS 的評估結果，基于耗時的比較，這個要求可以得到滿足。因此，可以認為CBAM-CNN模型在提高精度的同時，并沒有明顯增加耗時。

3.5 特征可視化

為了更直觀地觀察CBAM-CNN 模型分類的效果，使用t-SNE算法，通過計算低維空間中樣本點之間的相對距離來盡可能地還原高維空間中樣本點的相似度，模型的分類效果如圖10所示。

圖10 特征提取效果Fig.10 Feature extraction effect

由圖10 中可以看出，雜亂無章的原始數據在經過模型訓練后特征分布有很大改善，失穩樣本與穩定樣本的界線變得明顯，僅有個別樣本是重疊在一起的。因此，可以說明CBAM-CNN具有強大的特征提取能力，能夠完成SVS性的預測任務。

3.6 參數的選擇

觀察窗口長度是影響模型性能的一個重要因素，不同時間窗口長度的測試集效果如表5 所示。經過測試，選擇故障發生后的2 s 時間段作為觀察窗口，其他超參數的研究與觀察窗口類似。采用Adam 優化器，相對平衡學習率設定為0.001、Dropout為0.5、網絡共迭代50次。

表5 觀測窗口的選擇Tab.5 Selection of observation window

3.7 魯棒性分析

在實際應用中，盡管PMU通常是可靠和準確的，但也有可能出現數據丟失、數據不準確、壞數據及噪聲干擾的情況。本文針對數據丟失和噪聲干擾兩種情況進行實驗，驗證所提模型具有良好的魯棒性。

3.7.1 數據丟失分析

由于所提出的方法是由數據驅動的，輸入數據質量會影響其準確性和早期性，當數據丟失嚴重時，模型可能無法對系統狀態進行準確的評估。為驗證所提模型在部分數據丟失時仍能給出正確的系統暫態電壓評估結果，構建5種不同的數據丟失場景，每種場景均生成相應的測試集，模型準確率測試結果如表6所示。

表6 數據丟失測試Tab.6 Data loss test

由表6 可知，丟失的母線數據越多，模型性能越差，這主要是由于數據丟失導致所構建的非線性映射關系不夠準確，進而影響了模型的評估結果；模型在有3條母線數據丟失的情況下，對系統電壓狀態評估的準確率仍能達到97.06%（Acc＞97%），說明所提模型對數據丟失具有良好的魯棒性。

3.7.2 噪聲干擾分析

為驗證所建模型的抗噪能力，加入信噪比為10、20、30、40、50 dB 的高斯噪聲進行測試，測試結果如圖11所示。

圖11 加入噪聲干擾時的模型評估性能Fig.11 Evaluation performance of model when noise is added

由圖11 可以看出，加入噪聲干擾后的所有模型性能均有所下降，模型性能隨著噪聲水平的升高而降低。深度學習模型較傳統機器學習模型的抗噪聲能力更強。其中，CBAM-CNN 模型在10 dB 噪聲的干擾下，準確率仍能達到97.41%，說明該模型的抗噪表現良好，魯棒性強。

3.8 拓撲變換的影響

為了驗證本文模型對不同拓撲結構的適應性，實驗中考慮IEEE 39 總線系統的N-1 拓撲結構，生成2 個新的數據集D1和D2。D1樣本的生成環境為16～24 和4～14 號線斷開；D2的生成環境為發電機終端的功率分布發生重大變化，其他設置與D0相同。2個數據集均生成4 500個樣本，訓練集和測試集的比例保持不變。

將2 個數據集用于傳統CNN 模型和其他機器學習模型中。CNN、ANN 模型中有全連接層，可以引入微調技術，但其他2 種算法不適宜，最終結果如圖12所示。

圖12 N-1 拓撲樣本的評估結果Fig.12 Evaluation results of N-1 topology sample

由圖12中可以看出，CBAM-CNN模型的性能最好，其他傳統模型的準確率明顯低于該模型；RF、DT的預測精度相對較低，不能適應電力系統拓撲結構的變化，其參數在重新訓練時將被完全重置；在D0到D2這3個訓練任務中，CNN的準確率分別為96.61%、94.26%和93.12%，低于CBAM-CNN模型的98.15%、97.83%和97.35%。因此，CBAM-CNN 模型可以適應電力系統拓撲結構變化，具有良好的泛化性。

3.9 IEEE 300 節點系統

為說明所提方法在大系統中的有效性，將CBAM-CNN 應用于IEEE 300 節點系統中。IEEE 300 總線系統由300 條總線、69 臺發電機、166 個負載和411 條傳輸線組成，數據集生成方案如表7所示。數據集共包含6 560 個穩定樣本和3 640 個不穩定樣本，每一個樣本的輸入數據維度為U∈R200×300，P∈R200×166，Q∈R200×166，輸出結果為0或1；其他配置和測試方法與IEEE 39 節點系統相同。所用模型的結構在第1節的表1中給出。

表7 IEEE 300 節點系統樣本生成方案Tab.7 Sample generation scheme for IEEE 300-bus system

訓練集與測試集的比例仍為8∶2。用測試集數據對5種模型性能進行測試，測試結果如表8所示。

表8 IEEE 300 節點系統上不同模型的測試結果Tab.8 Test results of different models on IEEE 300-bus system%

由表8 可以看出，系統規模的擴大會一定程度上降低模型的性能，這是因為電力系統是一個復雜的非線性系統，盡管對模型做了改進，仍會出現漏判的情況；CBAM-CNN 模型的預測精度為98.04%，高于其他模型的精度。在IEEE 39總線系統中測試的精度為98.15%時，測試的2個系統之間的準確度差異不大，這得益于CBAM強大的提取特征能力。

4 結 論

本文提出一種基于CBAM-CNN 的SVS 評估方法。該方法采用數據驅動原理，挖掘電網故障后母線電壓、有功功率、無功功率與暫態電壓穩定的映射關系，及時給出穩定狀態。最后在IEEE 39 節點和IEEE 300節點系統上進行了算例分析，實驗結論如下。

（1）CBAM-CNN 具有強大的特征提取能力，它將基于注意力的特征細化應用于通道和空間兩個獨立的模塊，自動調整輸入數據中內容信息和位置信息的權重，通過多層卷積和池化操作，捕捉電力系統數據中的空間和時間相關性，并在保證較小時間損耗的同時實現了可觀的性能提升。

（2）在模型在線更新階段，利用CBAM 對新數據集提取特征，加快模型的更新速度。微調技術和CBAM 的結合可以有效解決系統拓撲結構變化時模型性能下降的問題。

（3）所提模型在數據丟失和噪聲影響下仍能保持良好的評估性能，魯棒性較強。且在系統運行條件發生大規模變化時不會出現明顯的性能下降，擁有良好的泛化能力。